基于深度编解码融合网络的SAR遥感图像水域分割方法技术

本发明专利技术涉及一种基于深度编解码融合网络的SAR遥感图像水域分割方法，属于图像分割技术领域。该方法包括如下步骤：（1）构建数据集；（2）训练数据标注；（3）数据增强；（4）构建深度编码网络；（5）构建深度解码网络；（6）构建编解码网络损失函数；（7）模型训练与验证；（8）分割处理；（9）根据需求，对分割结果进行保存或输出。本发明专利技术所搭建模型泛化性强、鲁棒性高、性能优异，解决目前水域提取技术上存在的弊端，可实现SAR遥感图像中水域的快速、准确分割，易于推广应用。广应用。

【技术实现步骤摘要】
基于深度编解码融合网络的SAR遥感图像水域分割方法


[0001]本专利技术属于图像分割
，涉及一种SAR遥感图像水域分割方法，特别涉及一种基于深度编解码融合网络的SAR遥感图像水域分割方法。

技术介绍

[0002]内陆地表水资源是人类赖以生存的重要自然资源，在地球的水文和生物化学循环中起着举足轻重的作用。实现快速、准确的水资源调查对环境监测、灾害预警等具有重要意义。合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波成像传感器，不受云、雨、雾以及光照等因素的影响，可以实现全天时、全天候对地观测。星载SAR装载于卫星平台，具有不受空域限制、观测范围广、周期性重访等特点，已被广泛应用于地球观测的各个领域。近年来，由于水域在 SAR遥感图像中表现出较为显著的鉴别特征，易于从复杂场景中快速分离，基于SAR图像的水域检测技术得到了广泛的应用和发展。
[0003]发展到目前，多种SAR图像水域分割方法被相继提出，主要分为以下几类：阈值分割法、主动轮廓模型法(Active Contour Mode，ACM)、聚类分割法、深度学习法。(1)阈值分割法通过设置一个或多个阈值，在灰度级上完成对SAR图像的分割，该方法由于操作简单、计算效率高，通常被视为最常用的方法之一，其缺点在于难以选择最优阈值以及易受SAR图像相干斑噪声的影响；(2)基于 ACM的SAR图像水域分割方法主要通过粗分割与精细分割两个步骤完成，首先获取大致的水域边界，然后根据梯度信息对轮廓线进行迭代演化，最终获取更准确的水域边界。该方法的优点在于可获取连续、平滑的水域边界，缺点在于运算量大且对初始轮廓的依赖性较强；(3)聚类分割法基于欧式距离，计算像素与聚类中心之间相似度完成对SAR图像中相似地物的分类。该方法可无监督的实现 SAR图像地物分类，其缺点在于大尺度图像运算效率低，且易受相干斑噪声的干扰；(4)基于深度学习的分割方法通过人工制作大量训练样本以及手动标定标签图，训练网络模型，对输入图像中的水域进行识别。该方法的优点在于鲁棒性强、不易受相干斑噪声影响，缺点是需要事先制作大量样本集，人力成本高。
[0004]传统水域分割方法一般在图像的像素级尺度上开展，可实现像素级精度的水域分割，其分割精度受到分辨率的限制。对于地物类型简单、水体区域较大、海况较低等情况下遥感SAR水域均有较好的分割效果，但遥感应用中待处理场景往往复杂多变，且在星载平台部署对处理算法的时效性和资源占用均有较大限制，以上算法均难以有效保障水域分割准确率和处理效率的双重优化，无法在终端处理平台进行有效装备和部署。因此如何克服现有技术的不足是目前图像分割
亟需解决的问题。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术的不足，提供一种基于深度编解码融合网络的SAR遥感图像水域分割方法。首先收集聚束模式下高分三号卫星数据，划分为训练数据集和验证数据集，之后对训练数据集进行标注，获得标签集；并对训练数据集进行扩增处理，获
得增广数据集。然后分别构造深度编码和解码网络，对水域像素进行有效鉴别，从而快速提取水域特征。在此基础上，利用深度分离卷积和扩张卷积等操作提取输入图像在多个分辨率条件下的特征表示，构建了深度编解码融合网络模型。之后进训练和验证，验证数据集数据、待分割图像的 SAR图像的分割结果，证明了所提方法的有效性以及工程的可实现性。
[0006]为实现上述目的，本专利技术采用的技术方案如下：
[0007]基于深度编解码融合网络的SAR遥感图像水域分割方法，包括如下步骤：
[0008]步骤(1)，构建数据集：采集SAR影像数据共N景，单景尺寸不低于10k
ꢀ×
10k像素，并将数据划分为训练数据集和验证数据集；
[0009]步骤(2)，训练数据标注：读入训练数据集中SAR遥感图像，标注出图像中水域位置信息，获得标签集；
[0010]步骤(3)，数据增强：对训练数据集中SAR遥感图像进行扩增，获得增广数据集；
[0011]步骤(4)，构建深度编码网络：所述的深度编码网络包括特征提取网络和由空洞卷积构成的特征金字塔网络模块，特征提取网络用于对图像中水域特征进行提取和学习，生成特征图；由空洞卷积构成的特征金字塔网络模块用于对提取特征图进行池化，以增加所提取特征图的上下文信息概括能力；
[0012]步骤(5)，构建深度解码网络：所述的深度解码网络包括融合模块和解码网络模块，所述的融合模块用于对不同分辨率特征图进行融合，提高模型对不同尺寸目标的检测能力，解码网络模块用于解码输出网络预测的水域位置信息；
[0013]特征提取网络和由空洞卷积构成的特征金字塔网络模块均与融合模块相连，形成深度编解码融合网络模型；
[0014]步骤(6)，构建编解码网络损失函数：采用交叉熵损失函数作最小化作为目标函数进行模型训练，并依据水域分割实际任务需求，将损失函数输出节点设置为2类；
[0015]步骤(7)，模型训练与验证：将训练数据集和标签集输入到搭建好的深度编解码融合网络模型中进行训练，得到训练M代的网络模型架构，之后将训练得到的模型进行加载，并基于验证数据集进行测试，计算分类准确率，保存准确率最优的模型参数；
[0016]步骤(8)，分割处理：加载最优模型参数，将待分割SAR影像输入到深度编解码融合网络模型中，获得标签信息，最后将标签信息对应至待分割SAR影像，获得水域图像的分割结果；
[0017]步骤(9)，根据需求对分割结果进行保存或输出。
[0018]进一步，优选的是，步骤(1)中，采集搜集聚束模式下高分三号卫星SAR 影像数据；训练数据集和验证数据集中的数据比例为8：2。
[0019]进一步，优选的是，步骤(2)中，利用Labelme标注软件框选并沿水域边缘逐点标注出图像中水域位置信息。
[0020]进一步，优选的是，步骤(3)中，扩增的方法包括旋转、平移、缩放、灰度变换和Mosaic数据增强方法。
[0021]进一步，优选的是，步骤(4)中，
[0022](4.1)构建第一阶段深度编码网络：该网络由三个残差网络模块构成，每个残差网络模块的主干支路采用3个深度可分离卷积层，跨层连接支路则采用1 个常规卷积层对输入特征图做尺寸降维、通道升维处理；
[0023](4.2)构建第二阶段深度编码网络：该网络由4个相同的分离卷积模块组成，每个分离卷积模块由基于残差连接的3个深度可分离卷积层组成；
[0024](4.3)构建第三阶段深度编码网络：该网络包含2个深度分离卷积模块，第1个卷积模块采用3个深度可分离卷积层，跨层连接支路则采用1个常规卷积层；第2个卷积模块采用深度可分离卷积层，并在其后面串联扩张卷积层。
[0025]进一步，优选的是，步骤(5)中操作步骤为：对特征提取网络构建的第二阶段深度编码网络提取的特征图作为低维特征输入，通过由空洞卷积构成的特征金字塔网络模块对第三阶段深度编码网络提取的特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于，包括如下步骤：步骤（1），构建数据集：采集SAR影像数据共N景，单景尺寸不低于10k
×
10k像素，并将数据划分为训练数据集和验证数据集；步骤（2），训练数据标注：读入训练数据集中SAR遥感图像，标注出图像中水域位置信息，获得标签集；步骤（3），数据增强：对训练数据集中SAR遥感图像进行扩增，获得增广数据集；步骤（4），构建深度编码网络：所述的深度编码网络包括特征提取网络和由空洞卷积构成的特征金字塔网络模块，特征提取网络用于对图像中水域特征进行提取和学习，生成特征图；由空洞卷积构成的特征金字塔网络模块用于对提取特征图进行池化；步骤（5），构建深度解码网络：所述的深度解码网络包括融合模块和解码网络模块，所述的融合模块用于对不同分辨率特征图进行融合，解码网络模块用于解码输出网络预测的水域位置信息；特征提取网络和由空洞卷积构成的特征金字塔网络模块均与融合模块相连，形成深度编解码融合网络模型；步骤（6），构建编解码网络损失函数：采用交叉熵损失函数作最小化作为目标函数进行模型训练；步骤（7），模型训练与验证：将训练数据集和标签集输入到搭建好的深度编解码融合网络模型中进行训练，得到训练M代的网络模型架构，之后将训练得到的模型进行加载，并基于验证数据集进行测试，计算分类准确率，保存准确率最优的模型参数；步骤（8），分割处理：加载最优模型参数，将待分割SAR影像输入到深度编解码融合网络模型中，获得标签信息，最后将标签信息对应至待分割SAR影像，获得水域图像的分割结果；步骤（9），根据需求对分割结果进行保存或输出。2.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（1）中，采集搜集聚束模式下高分三号卫星SAR影像数据；训练数据集和验证数据集中的数据比例为8：2。3.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（2）中，利用Labelme标注软件框选并沿水域...

【专利技术属性】
技术研发人员：孙斌，张继伟，沈志，张雯娟，杨凤，赵维谚，王洪武，李俊鹏，黄俊波，金晶，者梅林，罗哲轩，徐真，蔡澍雨，
申请(专利权)人：云南电网有限责任公司输电分公司，
类型：发明
国别省市：